M1 Investigacin de Operaciones-5-1

Introducción A La Investigación De Operaciones Y Construcción De Modelos
Autor: Luis Carlos Meneses Silva

Fecha de actualización: 01 de noviembre de 2018
Actualizado Por: Alejandro De Mendoza T.

Introducción a la investigación de operaciones y construcción de modelos
INTRODUCCIÓN
Las organizaciones y empresas actuales tienen enormes retos para mantenerse en los mercados, lo cual
obliga a mejorar su competitividad
La investigación de operaciones es la ciencia que estudia los problemas organizacionales para la

distribución de recursos escasos entre varias actividades que demandan por ellos. Para realizar esta
distribución existen diferentes métodos de modelamiento y análisis de los problemas tales como la
Programación Lineal, el método simplex, las cadenas de Markov, la teoría de colas, entre otros. El
apoyo en herramientas informáticas ya indispensable en este proceso considerando el gran volumen
de datos que se procesan en la actualidad, es por esto que en el mercado se ofrece gran variedad de
paquetes informáticos que sirven de apoyo para la toma de decisiones dentro de las organizaciones.
Normalmente, la investigación de operaciones es desarrollada por un equipo de trabajo, el cual trabaja

de la mano de los directivos de las organizaciones, sin embargo, este no sugiere la decisión, sino que
la soporta. El equipo realiza la investigación de campo en la cual se aplican metodologías de
recolección de datos e información con los cuales se estructuran los modelos de análisis y predicción
de la situación. Finalmente, los resultados de este proceso son presentados por el equipo a los
directivos de la organización quien tomará las decisiones.
Este módulo inicia con los conceptos necesarios para comprender los campos de aplicación de la
investigación de operaciones y la forma en que los modelos adquieren importancia para su aplicación,
posteriormente se expone la metodología de creación de modelos y su estructura para ingresar en el
método de la programación lineal finalizando con los conceptos de simulación.
2
TABLA DE CONTENIDO
INTRODUCCIÓN .......................................................................................................................... 2
IDEOGRAMA ................................................................................................................................ 5
1 INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES ..................................... 6
1.1 HISTORIA ....................................................................................................................... 6
1.2 DEFINICIÓN ............................................................................................................. 8
1.3 APLICACIONES ............................................................................................................. 9
1.4 METODOLOGÍA .......................................................................................................... 10
2 CONSTRUCCIÓN DE MODELOS ..................................................................................... 11
2.1 CONCEPTOS BÁSICOS ............................................................................................... 11
2.1.1 Función(es) objetivo ............................................................................................... 12
2.1.2 Variables de decisión .............................................................................................. 12
2.1.3 Restricciones ........................................................................................................... 12
2.2 CLASIFICACIÓN DE MODELOS ............................................................................... 13
2.2.1 Modelos determinísticos o estocásticos .................................................................. 13
2.2.2 Modelos estáticos y dinámicos ............................................................................... 14
2.2.3 Modelos lineales y no lineales ................................................................................ 14
2.2.4 Modelos enteros y no enteros.................................................................................. 14
2.2.5 Modelos y métodos frecuentes de la investigación de operaciones ......................... 15
2.3 PASOS PARA LA CONSTRUCCIÓN DE MODELOS ............................................... 16
2.3.1 Definición del problema ......................................................................................... 17
2.3.2 Observación y recolección de datos ........................................................................ 17
2.3.3 Formulación del modelo matemático. ..................................................................... 18
2.3.4 Validación y prueba del modelo matemático .......................................................... 18
2.3.5 Presentación de los resultados y conclusiones ........................................................ 19
2.3.6 Implementación....................................................................................................... 19
2.4 INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL .............................................. 20
2.4.1 Supuestos de la programación lineal ....................................................................... 33
3
2.5 SIMULACIÓN. .............................................................................................................. 34

2.5.1 Conceptos básicos ................................................................................................... 35
2.5.2 Etapas de la simulación de sistemas........................................................................ 36
2.6 SOFTWARE DE SIMULACIÓN LINGO .................................................................... 36
2.6.1 Descarga e instalación............................................................................................. 36
2.6.2 Uso del software LINGO ........................................................................................ 37
GLOSARIO .................................................................................................................................. 45
BIBLIOGRAFÍA .......................................................................................................................... 46
4
IDEOGRAMA
Historia
Definición
INTRODUCCION A LA
INVESTIGACION DE
OPERACIONES
Aplicaciones
Metodología
Módulo.
Conceptos básicos
Clasificación de modelos
CONTRUCCION DE Pasos para la construcción

de modelos
MODELOS
Introducción
Programación lineal
Simulación
Figura 1. Ideograma de la asignatura
5
INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES Y CONSTRUCCIÓN DE

MODELOS
1 INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES
La investigación de operaciones ofrece diferentes métodos matemáticos para el análisis de situaciones

complejas en las cuales se requiera tomar decisiones, con el objetivo de alcanzar una solución óptima,
además en algunas situaciones, la investigación de operaciones facilita la elección de la mejor
alternativa ante una amplia gama de soluciones.
A continuación, se realizará una breve descripción de los hechos históricos que facilitaron la creación
de esta rama de la administración apoyada en las matemáticas, sus definiciones y aplicaciones típicas,
lo cual nos dará un panorama de qué es la investigación de operaciones y la importancia que adquiere
en los diferentes campos en los que el hombre interviene. Posteriormente se hará una revisión de los
tipos de modelos usados en la investigación de operaciones, sus componentes y, finalmente,
estudiaremos los métodos de programación lineal y los modelos de simulación.
1.1 HISTORIA
Finalizada la edad media la humanidad ingresó en un periodo de crecimiento cultural y económico el

cual se reflejó principalmente en la tecnificación de la navegación, imprenta y ornamentación, sin
embargo, este crecimiento se vio opacado por las constantes guerras y disputas entre los reinos que
gobernaban en el antiguo continente, sin embargo, a partir del siglo XVIII con el advenimiento de la
revolución industrial iniciada en Inglaterra, la complejidad de los sistemas industriales y productivos
creció exponencialmente generando una especialización en el trabajo. La industrial basada en
maquinaria y la producción masiva de productos generó una dificultad en la asignación de recursos
para las diferentes actividades de fabricación, lo cual obligó a planificar los sistemas de suministro de
materias prima, el transporte de las mismas, así como los productos fabricados.
No fue hasta el inicio de la segunda guerra mundial que “un equipo de científicos empezó a tomar
decisiones con respecto a la mejor utilización de material bélico” (Taha, 2012, pág. 1) basado en el
estudio o investigación de operaciones militares con el fin de mejorar el suministro de armamento y
recursos a las unidades en combate. Una vez finalizada la guerra, estas estrategias tendientes al
mejoramiento de la eficiencia y productividad de las operaciones se empezaron a aplicar en la industria
manufacturera y en diferentes ámbitos de las organizaciones civiles.
6
En las décadas de los años 40’s y 50’s se desarrollaron gran parte de las teorías y/o herramientas de la
investigación de operaciones, entre ellas, el método simplex, la programación lineal, la programación
dinámica, la teoría de colas, teoría de transportes y teoría de inventarios.
En la década de los años 90’s inició la revolución de los sistemas informáticos con el surgimiento de
las computadoras de gran procesamiento y tamaño reducido en las se desarrollaron aplicaciones de
software para procesamiento matemático, como las hojas de cálculo, permitiendo el manejo de un
gran número de datos, la consideración de múltiples variables para análisis de procedimientos y por
tanto facilitando los procesos de tomas de decisiones por el aumento en la capacidad de análisis de
datos a través de los sistemas informáticos.
Actualmente, la competitividad entre diferentes empresas y la alta innovación en el diseño de

productos, obliga a las organizaciones a tener en cuenta una gran cantidad de variables, y por ende, un
volumen de datos considerable para la toma de decisiones de índole organizacional. Para el manejo de
este volumen de información ya no es suficiente el manejo de hojas de cálculo, como el software Excel
de Microsoft, sino que se requiere la utilización de software especializado en la investigación de
operaciones, como por ejemplo los paquetes Lingo1 y WinQSB2. Existen aplicaciones On-Line3 las
cuales pueden ser de apoyo para el aprendizaje de las diferentes herramientas de la investigación de
operaciones y finalmente el software Excel, de la compañía Microsoft®, ofrece una alternativa
accesible para el registro, procesamiento y análisis de datos.
1 http://www.lindo.com/
2 http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/descargas-y-multimedia/
3 http://soft.ingenieria-industrial.net/
7
1.2 DEFINICIÓN
La bibliografía alrededor de la investigación de operaciones es muy amplia, sin embargo, existen

algunas publicaciones con alta difusión las cuales ofrecen varias definiciones las cuales se exponen a
continuación:
 De acuerdo a Wayne L. Winston “la investigación de operaciones (con frecuencia llamada

ciencia de la administración) es un enfoque científico en la toma de decisiones que busca el
mejor diseño y operar un sistema, por lo regular en condiciones que requieren la asignación
de recursos escasos” (Winston, 2005).
 Stafford Beer establece la definición de investigación de operaciones como “el ataque de la

ciencia moderna a los problemas de parecido que pueden surgir en la administración y el
control de hombres y máquinas, materiales y dinero, en su ambiente natural. Su técnica especial
es el inventar una estrategia de control, midiendo, comparando y prediciendo el probable
comportamiento a través de un modelo científico de la situación” (Beer, 1995).
 Finalmente, “La Investigación de Operaciones (IO) o Investigación Operativa es una rama de

las matemáticas que hace uso de modelos matemáticos y algoritmos con el objetivo de ser
usado como apoyo a la toma de decisiones. Se busca que las soluciones obtenidas sean
significativamente más eficientes (en tiempo, recursos, beneficios, costos, etc) en comparación
a aquellas decisiones tomadas en forma intuitiva o sin el apoyo de una herramienta para la
toma de decisiones” (Investigación de operaciones, 2015).
En algunos textos la investigación de operaciones también es conocida como managment science,

definición expuesta por Frederick Hillier:
 La investigación de operaciones… utiliza un enfoque similar al que se aplica en las áreas

científicas establecidas. El método científico se utiliza para explorar los diferentes problemas
que deben ser enfrentados, pero en ocasiones se usa el término managment science o ciencia
administrativa como sinónimo de Investigación de Operaciones (Hillier & Lieberman, 2015).
8
De acuerdo a las definiciones anteriores se puede concluir que la investigación de

operaciones ofrece herramientas matemáticas para la comprensión de problemas
que se presentan en las diferentes actividades en las que interviene el hombre, en
las cuales se requiere de la distribución de recursos de forma óptima partiendo del
modelamiento y análisis de las situaciones usando métodos organizados y de
carácter científico.
1.3 APLICACIONES
La investigación de operaciones tiene aplicaciones muy diversas en los diferentes campos en los se
requiere de la optimización en la distribución y el uso de los recursos para obtener soluciones ante
problemas organizacionales, industriales, de negocios y gubernamentales, así como para facilitar los
procesos de toma de decisiones usando como herramienta el modelamiento de las situaciones en
cuestión. Dentro de los campos mencionados anteriormente encontramos aplicaciones particulares de
la investigación de operaciones, tales como:
 Sistemas de distribución de recursos para operaciones militares.

 Planeación logística de envíos.
 Optimización del uso de recursos de mercadotécnica.
 Optimización de sistemas de inventarios.
 Optimización de sistemas de transporte.
 Solución de problemas ante situaciones de incertidumbre.
 Optimización de rutas para la ejecución de proyectos.
 Optimización en la distribución de recursos para sistemas de salud y servicios públicos.
 Administración de sistemas de crédito y tasas de interés.
 Mejora de la eficiencia de los procesos de distribución.
 Gestión de sistemas forestales a largo plazo.
Como se puede observar, la investigación de operaciones no se restringe

únicamente al campo organizacional, sino que puede abarcar un sin número de
aplicaciones que van desde los ambientes empresariales, económicos, militares y
hasta manejo de sistemas ambientales, por lo tanto, el conocimiento de las
herramientas que ofrece es de gran interés para los diferentes profesionales que
están involucrados en la toma de decisiones operativas de las diferentes
organizaciones, empresas y entidades.
9
1.4 METODOLOGÍA
La investigación de operaciones considera en su metodología la aplicación del método científico,

basado en lo anterior, Frederick S. Hillier, en su libro Investigación de operaciones, propone la
siguiente metodología para la solución de problemas en organizaciones, (Hillier & Lieberman, 2015,
págs. 2,3):
a) El proceso inicia con la observación cuidadosa y la formulación del problema, lo cual incluye
la recolección de los datos pertinentes.
b) El siguiente paso es la construcción de un modelo científico – generalmente matemático – con
el cual se intenta abstraer la esencia del problema real.
c) En esta etapa se propone la hipótesis de que el modelo será una representación tan precisa de
las características esenciales de la situación, que permitirá que las conclusiones – soluciones –
que se obtengan sean válidas también para el problema real.
d) Después se llevan a cabo los experimentos adecuados para probar esta hipótesis, para
modificarla si es necesario y para verificarla en determinado momento, paso que se conoce
como validación del modelo…
e) también se debe proporcionar conclusiones claras para que el tomador de decisiones pueda
usar cuando sea necesario.
De acuerdo a lo anterior, el proceso metodológico ante cualquier situación que requiera la aplicación
de la teoría de la investigación de operaciones se resume en la Figura 2.
Figura 2. Metodología para la solución de problemas a través de la investigación de operaciones
Fuente: Autor
10
Es importante tener en cuenta que la construcción de modelos parte de una buena caracterización de
las situaciones problemáticas a través de una recolección de datos confiable, los cuales, al ser
procesados y analizados, permitan una representación acertada de la realidad que se desea modelar y
validar – o simular –.
2 CONSTRUCCIÓN DE MODELOS
La investigación de operaciones permite conocer el comportamiento de diferentes situaciones a través

del análisis de los modelos que las representan y los cuales permiten simular diferentes escenarios para
facilitar la toma de decisiones, por tanto, los modelos deben ser una abstracción de la realidad, sin
embargo, debido al elevado número de variables de decisión que pueden afectar una situación, en
algunas ocasiones los modelos deben elaborarse con las más relevantes y las que influyen
considerablemente en el resultado final, esto hace que el modelo opere bajo una realidad supuesta la
cual es representativa de la situación real.
Figura 3. Abstracción de los modelos en la investigación de operaciones
Mundo real
Realidad Supuesta
MODELO
(Variables representativas)
Fuente: Autor
Este apartado inicia con los conceptos básicos necesarios para comprender qué es un modelo, su
clasificación y los pasos para la construcción y validación de los mismos.
2.1 CONCEPTOS BÁSICOS
Existen diferentes tipos de modelos para la investigación de operaciones, los cuales pueden ser
descriptivos (cualitativos) o prescriptivos, también conocidos como modelos de optimización. Los
modelos de optimización son de índole matemático, los cuales son los más convenientes para la
investigación de operaciones y por tanto, son los que estudiaremos en esta asignatura.
11
Los modelos descriptivos consideran 3 elementos importantes (Winston, 2005):
 Función (es) objetivo.

 Variables de decisión.
 Restricciones.
2.1.1 Función(es) objetivo
Es la función matemática que se desea maximizar o minimizar de acuerdo a la situación problema o

meta que se desea alcanzar. Como ejemplo de función objetivo tenemos:
a) Maximizar las ganancias con el menor uso de materias primas.

b) Reducir el consumo de combustible en una flota de transporte de pasajeros.
c) Maximizar el volumen de un producto de panadería de acuerdo a diferentes mezclas de harina
y levadura y logrando el menor costo de costo de fabricación.
d) Minimizar el tiempo de recorrido de los montacargas en una bodega para reducir los tiempos
descarga y descarga de productos.
2.1.2 Variables de decisión
Las variables de decisión son aquellas que pueden ser modificadas o controladas y que influyen en el
resultado que se desea obtener u objetivo que se desea alcanzar. Las variables de decisión permitirán
maximizar o minimizar una función objetivo. En el ejemplo c) de la sección 2.1, se puede identificar
como variables objetivo los porcentajes de mezcla de harina y levadura.
2.1.3 Restricciones
En muchas situaciones en las cuales se desean aplicar mejoras en un proceso a través de la

investigación de operaciones y la utilización de funciones objetivo, es posible que las variables de
decisión presenten restricciones las cuales acotan los resultados posibles. Retomando el ejemplo c) de
la sección 2.1.1 es evidente que los porcentajes de las cantidades de mezcla entre harina y levadura
necesarias para la fabricación de un producto deben ser mayores e iguales a cero, lo cual representa
12
una restricción práctica en las variables de decisión y por ende en los resultados que se obtendrán al
encontrar los puntos máximos y mínimos de la función objetivo.
Como se puede evidenciar, el Ejemplo 2. nos presenta una situación en la cual se plantean los 3
componentes de un modelo.
2.2 CLASIFICACIÓN DE MODELOS
La investigación de operaciones se apoya en modelos preferiblemente matemáticos los cuales se

clasifican de acuerdo al valor y las características de sus variables. Los modelos pueden ser
deterministas o estocásticos, y dentro de estos podemos categorizarlos como estáticos o dinámicos,
lineales y no lineales y como una categoría menos importante estos pueden ser enteros y no enteros
(ver Figura 4).
Figura 4. Clasificación de los modelos en la investigación de operaciones
Lineales o no
lineales
Estáticos o enteros y no
dinámicos enteros
Modelos
deterministas
o estocásticos
Fuente: Autor
2.2.1 Modelos determinísticos o estocásticos
Los modelos determinísticos son aquellos en que para cualquier valor de las variables de decisión se
conoce con seguridad el valor de la función objetivo y si las restricciones se cumplen o no para dicho
resultado. En caso que de esta situación no ocurra podremos decir que el modelo es estocástico.
13
2.2.2 Modelos estáticos y dinámicos
Los modelos estáticos no tienen influencia del momento en el cual se evalúa la función objetivo, en
otras palabras, no son afectados por el tiempo, por el contrario, los modelos dinámicos dependen del
tiempo para su solución, es decir, que aun conservando los valores de las variables de decisión, al
evaluar la función objetivo en diferentes instantes de tiempo se pueden obtener soluciones diferentes,
mientras que en los sistemas estáticos ante esta situación el resultado siempre será el mismo.
2.2.3 Modelos lineales y no lineales
En los modelos lineales las variables de decisión se ven afectadas únicamente por constantes
(multiplicación o división por valores constantes) y estos productos interactúan en forma de suma de
productos, por ejemplo:
F = 3X + 5Y + 7Z.
En la anterior función objetivo las variables de decisión X, Y y Z están multiplicadas por

constantes y la forma de interactuar entre ellas es un producto de sumas.
En los modelos no lineales las variables de decisión se ven afectadas por otras variables de forma
directa (multiplicaciones, divisiones o potencias) o son relaciones de proporcionalidad cuadráticas,
factoriales u otras operaciones no lineales.
F = 3√X + 5Y2 + 7Z
En la anterior función objetivo las variables de decisión X, Y y Z, son componentes no lineales al

ser afectadas por una raíz cuadrada y una potencia 2 respectivamente, sin embargo, la variable 𝑊
es un componente lineal dentro de la ecuación. Es importante tener en cuenta que, si al menos 1
de las variables de decisión es una relación no lineal, todo el modelo será igualmente no lineal.
2.2.4 Modelos enteros y no enteros
14
Un modelo no entero es aquel en donde todas las variables de decisión asumen valores fraccionarios
(no enteros), si al menos una de las variables asume valores enteros se asume que el modelo es de tipo
entero. Los modelos se tipo entero son más difícil se tratar debido a que los soluciones se restringen
a valores puntuales, es decir, a números enteros.
Ejemplo 1
En un evento en el cual se servirán 2.500 desayunos, almuerzos,
cenas, sin embargo, el número de platos que se sirven en cada
servicio varía, de acuerdo a lo anterior se requiere calcular el
número de meseros necesarios en cada turno con el fin de
minimizar los costos de personal del contrato.
En la situación anterior la variable de decisión a optimizar es el
número de meseros, la cual es indivisible y se expresa en
unidades enteras.
2.2.5 Modelos y métodos frecuentes de la investigación de operaciones.
La investigación de operaciones, dentro de sus procesos operativos, tiene como objetivo el

planteamiento de un modelo matemático que represente la realidad del problema y el cual permitirá
predecir comportamientos futuros de la situación estudiada. Los modelos típicos usados en la
investigación de operaciones son:
15
 Programación lineal
 Programación no lineal
 Simulación de sistemas
 Programación entera
 Programación binaria
 Teoría de colas.
 Programación de metas múltiples
 Redes de optimización
 Modelos de inventarios
 Modelos de transporte
 Líneas de espera
 Teoría de juegos
 Análisis de decisiones
 Cadenas de Markov
 Programación dinámica
En esta asignatura estudiaremos los métodos más frecuentes, estos son: Programación lineal, métodos
de simulación, Método Simplex, Modelo de Transporte, Teoría de Colas, Cadena de Markov y
finalmente el método de administración de proyectos CPM. A continuación, estudiaremos los
pasos recomendados para la construcción de cualquier modelo en la investigación de operaciones.
2.3 PASOS PARA LA CONSTRUCCIÓN DE MODELOS
Como se había mencionado en la sección 2.2, la mayoría de los modelos usados en la investigación de
operaciones son preferiblemente matemáticos, aunque esto no quiere decir que el trabajo generado en
los estudios abordados se restrinja a esta actividad numérica. Los pasos recomendados para la
construcción de modelos se exponen a continuación:
a) Definición del problema.

b) Observación y recolección de datos.
c) Formular un modelo matemático que represente el problema.
d) Validación y prueba del modelo matemático.
e) Presentación de los resultados y conclusiones del estudio a la empresa.
f) Implementación.
Figura 5. Pasos para la construcción de modelos en la investigación e operaciones
16
Observación y Formulación del

Definición del
recolección de modelo
problema
datos matemático
Validación y
Presentación de
Implementación prueba del
resultados
modelo
Fuente: Autor
En las siguientes secciones se realizará una exposición de cada uno de los pasos necesarios para la
elaboración de modelos.
2.3.1 Definición del problema
Cuando se inicia un estudio de investigación de operaciones es importante conocer los intereses reales
de la organización, las dificultades que se presentan y los objetivos que se quieren alcanzar, de acuerdo
a lo anterior, el investigador se convierte en un agente cooperador y asesor de los niveles altos de la
jerarquía de la organización y debe conoce los detalles operativos del problema que se quiere
solucionar.
Es evidente que un mal planteamiento del problema no permitirá obtener resultados satisfactorios al
finalizar el proceso de investigación y de la completa y comprometida cooperación de la organización
depende en gran parte del éxito del proceso.
Por otro lado, los objetivos planteados en la investigación deben estar acorde con los objetivos de la
organización e impactan todas las áreas de la misma, sin embargo, en muchas oportunidades los
problemas que se presentan son localizados en algunas áreas o procesos particulares y esto conlleva a
que los objetivos asuman un carácter particular, esto sin olvidar el compromiso con la orientación y
dirección de la organización.
2.3.2 Observación y recolección de datos
17
Una vez se ha planteado el problema el investigador debe iniciar un proceso de observación y

conocimiento profundo del problema con el fin de determinar cuáles son parámetros que lo afectan
y los valores que asumen ante las circunstancias adversas a solucionar.
Dentro del proceso de observación se realiza la recolección de datos de las variables identificadas,
proceso que puede llevar mucho tiempo al equipo investigador u operativo ya que se requieren muchos
datos para que la representación de la situación sea los más precisa posible.
2.3.3 Formulación del modelo matemático.
Una vez se ha realizado el proceso de observación y recolección de datos se elabora un modelo

matemático que se ajuste al comportamiento de los datos recolectados de las diferentes variables del
sistema analizado. En la asignatura de investigación de operaciones se exploran los diferentes modelos
con los cuales se pueden representar las situaciones en cuestión. El modelo matemático incluye todas
las variables de decisión (X1, X2, X3, … , Xn) confirmando así la función objetivo la cual es
una interacción de las mismas, por ejemplo:
F = 2X1 + 3X2 + ⋯ + 8Xn
Además de la función objetivo, el modelo incluye las diferentes restricciones las cuales dependen a las
circunstancias extraídas de la realidad y que matemáticamente ajustan las posibles respuestas del
modelo. Las restricciones casi siempre se representan en desigualdades matemáticas, por ejemplo:
X1 ≥ 10;
3 ≤ X2 ≤ 7;
Los parámetros numéricos de las restricciones y de la función objetivo es un factor determinante en

la generación de modelos ya que estos pueden tener un factor de incertidumbre el cual se trasfiriere al
análisis de los mismos. Una buena observación y recolección de datos conlleva a una disminución en
el riesgo de incertidumbre de la estimación de estos parámetros.
2.3.4 Validación y prueba del modelo matemático
Una vez elaborado el modelo matemático se procede a desarrollar un procedimiento para obtener la
solución o soluciones del mismo. Generalmente este paso se realiza en un software de computador,
el cual puede ser especializado o en hojas de cálculo como Excel de Microsoft ®. En gran parte de los
18
modelos se requiere de procesos de iteración con el fin de alcanzar la solución óptima que puede
ofrecer el modelo.
Antes de emitir conclusiones sobre el resultado obtenido es importante realizar los cálculos
correspondientes con el fin de determinar que el modelo planteado es una representación precisa de
la realidad analizada, esto de hace simulando el modelo sobre valores conocidos usando los datos
recolectados en la etapa de observación y recolección de datos. En algunos casos el modelo puede
diferir de la realidad y por tanto se requiere ajustarlo o reformularlo.
Después del proceso de validación y prueba del modelo, se simula el modelo con el objetivo de obtener
la solución del mismo o soluciones las cuales se presentan a la organización o dirección de la empresa
para orientar la toma de decisiones.
2.3.5 Presentación de los resultados y conclusiones
Se debe tener en cuenta que la dirección de la empresa u organización puede no tener conocimiento
sobre la forma en que interviene la investigación de operaciones, por tanto, la presentación de los
resultados de la evaluación del modelo debe ser clara y precisa de tal forma que facilite la toma de
decisiones. Es importante aclarar que el equipo investigador no debe sugerir la decisión, pero si
dar recomendaciones al respecto, debe realizar una presentación clara de las diferentes
alternativas y proyecciones generadas para que la dirección determine cuál de las soluciones se ajusta
más a las metas u objetivos de la empresa y así pueda tomar la decisión más conveniente.
2.3.6 Implementación
Finalizados todos los pasos anteriores se procede a la implementación del mismo de acuerdo a las
decisiones que haya tomado la administración. Teniendo en cuenta que estas decisiones se han tomado
de acuerdo al estudio realizado por el equipo de investigación, se hace conveniente que este acompañe
a la organización en el proceso de implementación para asegurar que las soluciones propuestas sean
un reflejo de las entregadas por el modelo y se sigan las recomendaciones generadas en la etapa de
presentación de resultados.
En la figura 5 se presenta un diagrama de flujo orientativo sobre el proceso de planteamiento.
19
2.4 INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL
La programación lineal es una estrategia de modelamiento matemático la cual aplica a situaciones

típicas como la distribución de recursos limitados entre actividades que compiten entre sí por los
mismos. La programación lineal establece niveles de actividades de acuerdo a la necesidad de recursos
de cada uno, es decir, a mayor necesidad de recursos, mayor es el nivel asignado a la actividad.
Desglosando el concepto Programación Lineal, es importante aclarar que programación no hace

referencia al uso de software o a la generación de códigos de programación sino a la planificación de
actividades. El término Lineal indica que el modelo matemático compuesto por la Función Objetivo
y las Restricciones son ecuaciones lineales.
Nota: Ecuaciones lineales.

Una ecuación lineal o de primer grado es aquella que involucra solamente sumas y
restas de variables elevadas a la primera potencia (elevadas a uno, que no se
escribe). Son llamadas lineales por que se pueden representar como rectas en el
sistema cartesiano (Profesor en línea, 2015), por ejemplo: X = 3X1 + 6X2 + 5
En una ecuación no lineal involucra variables con términos no lineales, tales como
1
potencias enteras (X2), potencias fraccionarias (X2 ó √X), logaritmos, factoriales,
etc., por ejemplo: F = X21 + 6√X2 + 5
El modelo de programación lineal establece una medida global de desempeño la cual es el resultado de la
función objetivo del modelo matemático la cual, a su vez, se compone de los aportes o consumos de
recursos realizados por cada actividad.
La función objetivo se acompaña de las ecuaciones de restricción, en donde el mínimo número de

ecuaciones de restricción es igual al número de recursos involucrados en el modelo. Una ecuación de
restricción se construye con la sumatoria de los consumos del recurso de cada actividad y es igualada
a la disponibilidad de dicho recurso.
La representación simbólica de cada parámetro y variable que compone un modelo de programación

lineal será la propuesta por Frederick Hillier en su libro investigación de operaciones, 10ed:
Z = Medida global de desempeño.
20
Xn = Nivel de la actividad.
Yn = Aporte de la actividad a la medida global de desempeño Y.
Zn = Cantidad de recurso disponible para asignarse a las actividades.

Yn+1 = Cantidad de recurso y consumido por actividad n.
Cuando el investigador se enfrenta a un problema de optimización de recursos, el cual pueda ser

modelado por una estructura de programación lineal debe realizar una exhaustiva recolección de datos
la cual le permita identificar las actividades que intervienen en el modelo, los recursos necesarios para
cumplir con los requerimientos de las mismas y la cantidad que consumen cada una de ellas. Luego de
obtener esta información se consigna en la tabla de tal forma que permita extraer las ecuaciones del
modelo de programación lineal. La Tabla 1 consigna las variables y parámetros de un ejemplo modelo
de programación lineal (para una mayor comprensión del uso de la tabla se recomienda iniciar con el
desarrollo del Ejemplo 2. en la página 23.
Tabla 1. Tabla representativa para elaboración de modelo de programación lineal
Consumo de recursos por actividad Cantidad de

Recurso (Y) recursos
Actividad (nivel de actividad) disponibles
Xn Yn … Xy (Zn)
1 X11 Y12 … Xy1 Z1
n
2 X21 Y22 … 𝑎2n Z2
… … … … … …
n Xn1 Yn2 … 𝑎nm Zn
Contribución
X1 Y2 … Xy3
a la MGD4 (Y)
Fuente: Modificado de Investigación de operaciones, (Hillier & Lieberman, 2015, pág. 32)
En la Tabla 1 tenemos Y recursos diferentes a ser asignados, X actividades y disponemos de una

cantidad Z de cada recurso.
4 Medida global de desempeño (MGD)

21
La estructura general de los modelos de programación lineal se puede obtener directamente de tabla
representativa para elaboración de modelos de programación lineal (Tabla 1) de la siguiente forma:
Fo = x1 y1 + x2 y2 + ⋯ + XnYn ; donde X1, X2,…Xn son las variables de decisión.
Función objetivo
La función objetivo tiene las siguientes restricciones:
X11Y1 + X12Y2 + ⋯+ X1nYn ≤ F1

X21Y1 + X22Y2 + ⋯+ X2nYn ≤ F2
Xn1Yn1 + Xn2Y2 + ⋯ + Xn+1Yn+1 ≤ Fn
Además, las variables de decisión (XY) presentan restricciones las cuales generalmente son
desigualdades matemáticas. Es importante tener en cuenta que no siempre las restricciones de los
modelos son iguales, por tanto, aunque la estructura de modelo presentada a continuación es una
forma general, se debe analizar las restricciones para cada situación en particular para determinar cuáles
restricciones que se ajustan a la situación planteada por la empresa u organización.
Finalmente, la estructura estándar de un problema de optimización por programación lineal puede
tener la siguiente estructura:
Función Objetivo:
Fo = X1 Y1 + X2 Y2 + ⋯ + XnYn
Restricciones
X11Y1 + X12Y2 + ⋯+ X1nYn ≥ N1

X21Y1 + X22Y2 + ⋯+ X2nYn = N2
⋮
Xn1Y1 + Xn2Y2 + ⋯ + XnYn ≤ Nn
22
Como puedo observarse en las restricciones que tiene una desigualdad “mayor o igual a (≥)”, una
segunda desigualdad “menor o igual que (≤)” y una igualdad “=”.
Con el fin de comprender la metodología de construcción de modelos de programación lineal, en el

Ejemplo 2 se presenta un problema de maximización.
Ejemplo 2 en la página 23
Ejemplo 2. Maximización.
Un fabricante de alimentos para animales requiere maximizar sus ganancias en la
fabricación de 2 productos X y Y, a partir del menor uso de materias primas. El
producto X requiere 100gr de la materia prima 1 (MP1) y 200gr de la materia prima
2 (MP2), el producto Y requiere 150gr de MP1 y 100gr de MP2. El precio de venta
al público de los productos X y Y es de $500 y $400 respectivamente. El fabricante
dispone 75kg (75000gr) de Mp1 y 100kg (100.000gr) de MP2.
¿Qué número de productos X y Y se deben fabricar para obtener la mayor
ganancia?
Con los datos anteriores elaboramos la tabla representativa.
Tabla 2. Tabla representativa del Ejemplo 2
Consumo de recursos
por actividad Cantidad de
Recurso (Z) recursos
Actividad disponibles
X Y (Zn)
MP1 100 150 75.000
MP2 200 100 100.000
23
Contribución a
500 400 -o-
la MGD (Y)
Fuente: Autor
De acuerdo al enunciado anterior y la tabla representativa de la situación, se realiza el planteamiento

de la función objetivo con sus respectivas restricciones.
FUNCIÓN
F = 500X + 400Y
OBJETIVO
Las variables de decisión son las cantidades de productos X y Y que deberán ser fabricados para alcanzar la
máxima ganancia, por tanto, el objetivo de análisis del modelo es encontrar las cantidades de
fabricación de los productos 𝑊 𝑊 𝑊 que deben ser fabricados para alcanzar este objetivo teniendo
en cuenta las restricciones de cantidad de materia prima disponible.
Las restricciones de la función objetivo son:

100X + 150Y ≤ 75.000 (1)
200X + 100Y ≤ 100.000 (2)

RESTRICCIONES
X ≥0
Y ≥0
Las restricciones de X Y Z ≥ 0 se establecen debido a que al ser X, Y y Z productos reales es

imposible que su producción sea negativa.
Analizando las dos primeras restricciones observamos que son coherentes con la realidad planteada
debido a que establecen el límite de uso total de la materia prima disponible en la fabricación de los
dos productos en cuestión.
Procedimiento de solución.
No existe una única forma para dar solución a este problema de maximización, sin embargo, un buen
inicio es determinar los valores de X, y y Z permitidos por las restricciones las cuales, en este
caso, desigualdades matemáticas. Para lo anterior se obtiene la solución a las desigualdades y se
realiza una representación gráfica en la cual se observe este resultado (zonas azules Figura 6),
los valores
24
contenidos en la intersección (zona gris) de estas soluciones se convierten en la región factible en la cual
se encontrará la solución al problema de optimización.
A continuación, se plantean las ecuaciones de restricción:
 Ecuación de restricción (100X+150Y≤ 75.000 (1):
Evaluamos los extremos de la ecuación suponiendo que se usará todo el material en un solo
producto. Obtenemos producción máxima de los productos X, Y y Z para esta situación (puntos
X, Y y Z).
100 ⋅ (0) + 150Y = 75.000  X = 500 Punto (0,1000)

100X + 150 ⋅ (0) = 75.000  Y = 750 Punto (750,0)
 Ecuación de restricción (200X+100Y≤ 100.000 (2):
Repetimos el procedimiento con la segunda ecuación de restricción y encontramos puntos

(𝑊, 𝑊)
200 ⋅ (0) + 100Y = 100.000  Y =1000. Punto (0,1000)

200X + 100 ⋅ (0) = 100.000  X = 500 Punto (500,0)
Graficando los resultados obtenidos en un plano (X, Y) obtenemos la intersección de las dos
ecuaciones de restricción en la cual se encontrará la solución óptima al problema planteado
25
Figura 6. Solución de las restricciones e intersección de posible solución óptima.
Fuente: Autor
Finalmente evaluamos como igualdades el sistema de ecuaciones de 2x2 que conforman las dos
ecuaciones de restricción y determinamos el punto de coincidencia (X, Y) que satisface las ecuaciones.
100X + 150Y = 75.000 (3)
200X + 100Y = 100.000 (4)
Encontramos el valor de X despejando Y de la ecuación 100X+150Y=75.000 (3) y

reemplazando en 200X+100Y=100.000 (4),
75.000 100x
Y= –
150 150
10
y = 500 − x
15
Reemplazando en 200X+100Y=100.000 (4)

10/15)X
200x + 100 (500 – ( ) = 100.000
26
Despejando X,
X = 375
Se determina el valor del producto Y reemplazando el valor del producto X calculado en cualquiera
de las dos ecuaciones, en este caso se reemplaza en la ecuación 200X+100Y=100.000
(4).
200 ⋅ (375) + 100Y = 100.000

X = 250
Con los cálculos se encontró el punto (375,250)
Con el procedimiento anterior se determina que los valores de fabricación de X,Y y Z que satisfacen
las ecuaciones de restricción son 375 y 250 respectivamente. Es importante tener en cuenta que los
puntos se encuentran en la región factible mostrada en la figura 4, por tanto, el resultado es válido.
En la Figura 7 se expondrán los puntos de evaluación de la función objetivo con los el fin de determinar
cuál combinación de fabricación de productos X, Y y Z que genera la mayor ganancia económica
con los recursos disponibles y que cumplen con las restricciones de cantidad establecidas para cada
material.
Figura 7. Puntos de evaluación del modelo de programación lineal
27
Fuente: Autor
Como se puede observar se han obtenido 5 puntos, sin embargo solo 3 de ellos se encuentran en la
región factible los cuales serán evaluados en la función objetivo para obtener su ganancia total, resultados
que se exponen en la Tabla 3.
Tabla 3. Evaluación de puntos de interés en la función objetivo. Ejemplo 2.
Cantidad de Cantidad de Ganancia

productos X productos Y
(𝑊 = 𝑊𝑊𝑊𝑊 + 𝑊𝑊𝑊𝑊)
500 0 $250.000
750 0 No cumple con restricciones
0 500 $200.000
0 1000 No cumple con restricciones
375 250 $287.500
Fuente: Autor
28
De acuerdo a los resultados obtenidos se puede concluir que la máxima ganancia se obtiene
fabricando 375 productos X y 250 productos Y, solución óptima del modelo.
Fin Ejemplo 2.
En el ejemplo anterior algo a tener en cuenta, y que es común en las soluciones de optimización, es
que la solución óptima se encuentra en los bordes de la intersección de las rectas formadas por las
restricciones (ver Figura 7).
A continuación, se presenta un ejemplo de minimización de la función objetivo aplicado a un caso
de fabricación de carne de hamburguesa en el cual se debe cumplir con un requerimiento de
contenido de grasa total y se desea minimizar el costo de producción.
Ejemplo 3. Minimización.
Una empresa que se dedica a la fabricación de suministros de comidas rápidas
prepara la carne de hamburguesa con una combinación de carne de res y de cerdo
la cual debe tener un 25% de grasa total, según el requerimiento de un cliente
específico La carne de res contiene un 20% de grasa (80% carne pulpa) y la carne
de cerdo contiene un 32% de grasa (68% pulpa). El costo de res es de $14.000/kg
y la carne de cerdo $11.000/kg.
Determine la cantidad de carne de cada tipo con la cual se debe preparar la carne
de hamburguesa con la cual se cumplan los requerimientos de grasa total y se
minimice el costo de producción. Use como unidad de producción 1 kilogramo de
carne de hamburguesa.
Consumo de recursos Cantidad de

Recurso (X) por actividad recursos
disponibles
Actividad
(Xn)
29
Cerdo Res
Grasa 0,32 0,2 0,25
Contribución a
$11.000 $14.000 -o-
la MGD (Y)
Fuente: Autor
De acuerdo a la Tabla 4 se puede establecer que la función objetivo es:
F = 11000X1 + 14000X2 (5)  Función a minimizar.
Donde las variables de decisión son:
X1  Cantidad de carne de cerdo medida en libras.

X2  Cantidad de carne de res medida en libras.
Las ecuaciones de restricción son:
0,32X1 + 0,20X2 ≤ 0,25 (6) Restricción de cantidad de grasa
X1 + X2 = 1 (7) Restricción de unidad de producción
Como restricción adicional se tiene que las cantidades de carne deben ser cantidades no negativas
(mayores o igual a cero) y no pueden superar el peso de la unidad de producción.
0 ≤ X1 ≤ 1; 0 ≤ X2 ≤ 1 (8)
Procedimiento
Se evalúa en sus extremos la restricción de cantidad de grasa (Ecuación 0,32X1+0,20X2≤ 0,25
(6).
0,32X1 + 0,20(0) = 0,25

30
Puntos (25/32 , 0) Y (0 , 1.25)
25
X1 =
32
0,32(0) + 0,20X2 = 0,25
X2 = 1,25
Se evalúa la restricción de unidad de producción.
X1 + 0 = 1; X1 = 1
Puntos (1 , 0) 𝑊 (0 , 1)
0 + X2 = 1; X2 = 1
Se grafican los resultados delimitando la gráfica de acuerdo a la restricción expresada en la ecuación

0≤𝑊1 ≤ 1; 0 ≤ 𝑊2 ≤ 1 (8)
Figura 8. Regiones de coincidencia de las restricciones, Ejemplo 3
Fuente: Autor
En la Figura 8 se observa la zona azul la cual corresponde a la zona de soluciones válidas que satisfacen
la restricción de cantidad de grasa, la línea verde, la cual es una igualdad, representa los valores que
satisfacen la restricción de unidad de fabricación, es decir, que las cantidades de carne de res y cerdo
usada debe sumar un kilogramo, con esto, se puede determinar que la solución óptima se encuentra
entre la intersección formada por la línea verde y la zona azul.
31
De acuerdo a lo anterior se debe calcular el valor de X1 y X2 (carne de cerdo y de res

respectivamente) que satisfacen las dos ecuaciones de restricción con el fin de conocer el punto en
donde las 2 restricciones cumplen las condiciones dadas como una igualdad y determinar si este punto
se encuentre en el intervalo de solución expuesto en la Figura 8, para lo anterior evaluamos la
restricción representada en la ecuación 0,32X1+0,20X2≤0,25(6) Restricción de cantidad de grasa
como una igualdad junto con la ecuación de restricción de la ecuación X1+X2=1
(7) Restricción de unidad de producción.
0,32X1 + 0,20X2 = 0,25

X1 + X2 = 1
Resolviendo el sistema de ecuaciones de 2x2 encontramos que los valores que satisfacen las 2
ecuaciones son:
F1 = 416,7XY
F2 = 583,3XY
Es evidente que la solución óptima es aquella combinación donde se use la mayor cantidad de carne
de cerdo, ya que esta es más económica, y que no supere el porcentaje de grasa del 25% establecido.
Al evaluar en la función objetivo el costo de carne de hamburguesa que se puede fabricar de forma
más económica es:
F = 0.32X1 + 0.2X2
F = $12.750
Comprobación.
Realizaremos una simple comprobación en donde evaluaremos varios puntos de intersección válidos
calculando el precio del 1kg de carne de hamburguesa y dos puntos que cumplen únicamente la
primera restricción.
32
Tabla 5. Evaluación de soluciones Ejemplo 3
Cerdo (x1) Res (x2) Restricción Restricción Costo

[Kg] [Kg] 1 2 fabricación
0 1 1 20.0% 14.000
0,1 0,9 1 21.2% 13.700
0,2 0,8 1 22.4% 13.400
0,3 0,7 1 23.6% 13.100
0,4 0,6 1 24.8% 12.800
0,4167 0,5833 1 25.0% 12.750
0,5 0,5 1 26,0% 12.500
0,6 0,4 1 27,2% 12.200
Fuente: Autor
Como se puede observar en la Tabla 5 a medida que se disminuye el uso de carne de res y aumenta el
de cerdo, el porcentaje de grasa total de la carne de hamburguesa aumenta y el costo de producción
disminuye. Al evaluar el punto óptimo calculado el porcentaje total de grasa es del 25% y un precio
de $12.750. Cuando las proporciones de carne de cerdo aumentan el costo de producción disminuye,
sin embargo se incumple la condición de grasa total establecida.
Fin Ejemplo 2.
2.4.1 Supuestos de la programación lineal
La programación lineal se rige por los supuestos de proporcionalidad, aditividad, divisibilidad y

certidumbre, los cuales serán definidos a continuación.
2.4.1.1 Proporcionalidad
Teniendo en cuenta que la programación lineal involucra ecuaciones matemáticas las cuales son
funciones lineales de las variables de decisión, la contribución de estas variables a la función objetivo
es proporcional al valor de cada una y es independiente de los valores de las otras variables. Como
ejemplo, retomando la función objetivo del Ejemplo 2 podemos observar que:
𝑍 = 500X + 400𝑌
33
Por cada producto X que se fabrique la ganancia aumenta en $500, al igual que por cada producto
Y fabricado la ganancia aumenta $400. Si se mantiene la producción de X estable y solo aumentamos
Y, se puede observar que el aumento de la ganancia X es proporcional al aumento de la producción
de Y. con lo anterior observamos la proporcionalidad entre las variables de decisión con el resultado
de la función objetivo y la independencia entre las variables X, Y y Z.
2.4.1.2 Aditividad
El supuesto de proporcionalidad condiciona a que las ecuaciones que confirman el modelo no tengan
componentes no lineales que afecten las variables de decisión, sin embargo, no elimina la posibilidad
que la función objetivo y sus restricciones incluya términos que sean el producto entre 2 variables de
decisión. El supuesto de aditividad elimina esta posibilidad y se define de la siguiente manera:
“Cada función de modelo de programación lineal (ya sea la función objetivo o el lado izquierdo de las
restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas”
(Hillier & Lieberman, 2015, pág. 38).
En los modelos trabajados en los Ejemplo 2 y Ejemplo 3 observamos que las restricciones se construyen
con la suma de los aportes de cada una de las variables de decisión y no se ven afectadas por el
producto entre variables.
2.4.1.3 Divisibilidad
La suposición de divisibilidad indica que en los modelos matemáticos de la programación lineal las
variables de decisión pueden asumir valores fraccionarios o no enteros, es decir, que la función
objetivo y sus restricciones pueden conformar modelos enteros y no enteros. El Ejemplo 2 expone un
modelo donde las variables de decisión asumen únicamente valores enteros, mientras que en el Ejemplo
3 las variables asumen valores fraccionarios y en ambos casos su estructura cumple con los
requerimientos de los modelos de la programación lineal.
2.4.1.4 Certidumbre
34
El supuesto de certidumbre hace referencia a que las constantes que acompañan a las variables de
decisión en la función objetivo y en las restricciones son valores conocidos y no se permite
variabilidad o incertidumbre en los mismos.
Como ejemplo, en la función objetivo F = 500x + 400Y los valores 500 X y 400Y hacen referencia
al precio de venta de los productos X, Y y Z respectivamente, valores que son conocidos y
exactos.
2.5 SIMULACIÓN.
La simulación es una técnica muy poderosa para el análisis y estudio de sistemas de gran complejidad
y/o en los cuales el volumen de datos es considerable. “la simulación se podría considerar como una
técnica que imita la operación de un sistema del mundo real a medida que evoluciona en el tiempo…
Un modelo de simulación toma la forma de un conjunto de suposiciones acerca de la operación de un
sistema, expresado como relaciones matemáticas o lógicas entre los objetos de interés en el sistema”
(Winston, 2005).
Los modelos de simulación tienen muchas ventajas respecto a los modelos analíticos, tales como:
 La aplicación de los modelos de simulación es más fácil que en los modelos analíticos.
 Se apoya normalmente en software computacional.
 No es necesario realizar suposiciones que simplifiquen el modelo, por tanto permiten un mejor
acercamiento a la situación real y mayor flexibilidad en la predicción de situaciones.
 Permite analizar diferentes situaciones de una aplicación específica.
 Permite reducir el tiempo de experimentación.
 Permite simular sistemas supuestos, es decir, que no existen físicamente.
 Permite la evaluación de diseños alternativos del sistema.
 Permite analizar la sensibilidad del sistema ante las variables de interés.
2.5.1 Conceptos básicos
A continuación se presentan los conceptos básicos usados en la simulación de sistemas:
 Sistema: es la unión de diferentes componentes que interactúan entre sí para alcanzar un

mismo objetivo. En la investigación de operaciones los sistemas son los objetos de estudio y
experimentación y por tanto deben ser reales, sin embargo, en caso de que no exista se debe
construir un prototipo o en su defecto realizar una representación matemática del mismo.
35
 Estado de un sistema: es el conjunto mínimo de variables que permiten describir en su

totalidad el comportamiento del sistema, las cuales se conocen como variables de estado.
Los sistemas pueden ser clasificados como discretos y continuos dependiendo de las características de
sus variables de estado.
 Sistema discreto: en los sistemas de este tipo las variables de estado cambian en puntos
discretos los cuales pueden ser contados en el tiempo, por ejemplo, unidades producidas en
una jornada laboral. La simulación estática se conoce como Simulación de Monte Carlo la
cual será tratada en este módulo.
 Sistema continuo: el los sistemas de este tipo las variables de estado cambian de forma
continua en el tiempo, por ejemplo, la temperatura en un horno de fundición de aluminio.
Como se estudió en las secciones 2.2.1 y 2.2.2 los sistemas permiten una simulación estática o
dinámica, visto desde su comportamiento en el tiempo, si es observado desde el comportamiento de
sus variables este puede ser determinista o estocástico.
La simulación estática representa el sistema en un punto particular en el tiempo, en cambio, la

simulación dinámica expone la evolución del sistema durante el tiempo, en el caso de los modelos
deterministas, las variables del modelo no son variables aleatorias, mientras que si lo son en los
modelos estocásticos.
2.5.2 Etapas de la simulación de sistemas
La simulación de sistemas en la investigación de operaciones es aplicada en una gran variedad de

situaciones, y debido a esto, es necesario llevar unos pasos mínimos con el fin de garantizar una
correcta simulación del sistema. Los pasos o etapas se exponen a continuación (Universidad Virtual
Anáhuac, 2015):
a) Planeación estratégica y táctica: establecer las condiciones experimentales para el uso del
modelo.
b) Formulación del problema: definición del problema y enunciado del objetivo.
c) Construcción del modelo: abstracción matemática del problema.
d) Obtención de información: identificación, especificación y obtención de datos.
e) Desarrollo del programa: prepara el modelo para su procesamiento.
f) Verificación: asegurar el correcto funcionamiento del programa.
36
g) Experimentación: uso del modelo para obtención de datos.

h) Análisis de resultados: inferencias y recomendaciones basadas en el modelo.
i) Implementación y documentos: usar resultados para toma de decisiones y documentar el
funcionamiento y uso del modelo.
2.6 SOFTWARE DE SIMULACIÓN LINGO.
2.6.1 Descarga e instalación
LINGO es una herramienta diseñada para la construcción y solución de modelos lineales, no lineales,
cuadráticos, cuadrática restringida, estocásticos y modelos de optimización enteros. A la fecha de
elaboración de este módulo la empresa LINDO SYSTEM INC, fabricante del paquete para
modelamiento LINGO, ofrece la versión 15.0 como la más reciente la cual usaremos para estudiar el
tema de simulación.
El software LINGO puede ser obtenido gratuitamente de la página http://www.lindo.com/

ingresando a la opción Downloads de la página. En esta sección se pueden descargar diferentes software
usados en la investigación de operaciones, sin embargo, debemos ingresar a la opción Download
LINGO. Una vez se ingresa a esta sección se presentan varias opciones de descarga para los sistemas
operativos Windows y Linux. Normalmente nuestras computadoras tienen sistema operativo
Windows con arquitectura de 32 y 64 bits.
En caso de desconocer que arquitectura es nuestro sistema operativo podemos descargar la última
versión de LINGO para Windows de 32 bits. Es importante tener en cuenta que si su computadora
es de una arquitectura de 64 bits, el software funcionará correctamente, sin embargo, al instalar la
versión de Lingo de 32 bits estaríamos desaprovechando el potencial de la máquina, por esto, es
aconsejable consultar en las propiedades del sistema que tipo de arquitectura soporta nuestro
computadora.
2.6.2 Uso del software LINGO
Lingo trabaja con dos tipos de archivos:
 Archivos de extensión .lg4: En los cuales se escribe el modelo que se va a resolver.
 Archivos de extensión .lgr: Archivo generado por LINGO con la solución del modelo.
37
Para introducirnos rápidamente a la programación en LINGO iniciaremos con un ejemplo de

programación lineal el cual se expone en el Ejemplo 4 en donde conoceremos la sintaxis y el
procedimiento de simulación.
Ejemplo 4. Aplicación en LINGO.

Un fabricante de comida para ganado elabora 3 productos con 4 tipos de cereales.
La unidad de producción de venta al público es por bultos de 55kg. La Tabla 6
muestra la existencia de cereales y precio de cada uno de los productos.
Problema: ¿Cuál es el número de sacos que debe producir la empresa para
maximizar la ganancia suponiendo que se vende toda la producción?
Consumo de recursos por actividad

Recurso Actividad Existencias
Prod. 1 Prod. 2 Prod. 3
(X) (Y) (Z)
Avena 25kg 5kg 20kg 50.000kg
Maíz 20kg 20kg 0kg 80.000kg
Cebada 5kg 20kg 25kg 40.000kg
Mijo 0kg 5kg 5kg 10.000kg
Contribución a
$27.000 $36.000 $18.600 -o-
la MGD (𝑊)
Fuente: Autor
De acuerdo al enunciado anterior y la tabla representativa de la situación, se realiza el planteamiento

de la función objetivo con sus respectivas restricciones.
38
Función objetivo a maximizar:

F = 27.000x + 36.000y + 18.600z
Restricciones:
25x + 5y + 20z ≤ 50.000
20x + 20y ≤ 80.000
5x + 20y + 25z ≤ 40.000
5x + 5y ≤ 10.000
x, y, z ≥ 0
Implementación en LINGO.
 En el menú INICIO buscamos el programa LINGO 15.0.
 En el menú File  New creamos un archivo de tipo Lingo Model (*.lg4), ver Figura 9.
Figura 9. Pantalla de creación de nuevo modelo en Lingo
39
Fuente: Autor
 En Una vez creado el archivo Lingo expone una pantalla en blanco en donde escribiremos el
modelo de programación lineal siguiendo la siguiente sintaxis.
[Ingresos] Max = 27000*x+36000*y+18600*z;

[Avena] 25*x+5*y+20*z <= 50000;
[Maiz] 20*x+20*y <= 80000;
[Cebada] 5*x+20*y+25*z <= 40000;
[Mijo] 5*y+5*z <= 10000;
Una vez ingresados los datos en el software este debe observarse como en la Figura 10.
Figura 10. Ingreso del problema de programación líneal a Lingo.
40
Fuente: Autor
 No es necesario escribir las restricciones de variables X, Y, Z ≥ 0, sin embargo, para agregar
la restricción se debe ingresar al menú Solver  Option  Pestaña General Solver  Marcar
opción Variables assumed non-negative.
 Observaciones sobre sintaxis:
o La función objetivo se ingresa con el prefijo Max = o Min = dependiendo si se desea

maximizar o minimizar la función objetivo.
o Las desigualdades se ingresan como <= y >= para menor o igual que y mayor o igual que
respectivamente.
o Al seleccionar la opción Variables assumed non-negative no es necesario escribir la

restricción de que las variables no pueden menores a cero.
o Cada instrucción debe terminar con punto y coma (;).
o Las etiquetas de cada ecuación se agregan entre corchetes [etiqueta].
41
o Las etiquetas no pueden contener espacios, en caso de requerise puede usarse el

carácter guion bajo, por ejemplo [inventario_de_avena].
o Los nombres de las variables de decisión no están restringidos a los caracteres x, y o z,

pueden usarse otra simbología tale como x1, y1, z1 incluso palabras como avena, maíz,
etc.
o Lingo no distingue entre caracteres en mayúscula o minúscula, es decir, que si se

escribe y o Y lo reconoce como la misma variable.
o No se deben omitir los signos de operaciones matemáticas como la multiplicación (*),

división (/), etc. Para ingresar potencias, por ejemplo 3X2 se debe ingresar de la forma
3 ∗ X^2.
o Si tiene dudas de cuál es el comando o símbolo de cualquier operación matemática

debe ingresar al menú Edit  Paste Function y seleccione la operación deseada. Al
seleccionar la operación se ingresará al programa del archivo *.lg4.
o Los comentarios de ingresan iniciando con el signo de exclamación (! y cerrando con

punto y coma (;), por ejemplo: ¡cantidad de avena;. Ver Figura 11.
Figura 11. Ingreso de comentarios en LINGO.
Fuente: Autor
 Una vez ingresado el programa, se procede a ejecutar el mismo para hallar la solución.
Ingresamos al menú Solver y se presiona la opción Solve. El software Lingo entre los resultados
mostrados en la Figura 12.
Figura 12. Solución al problema de programación lineal
42
Fuente: Autor
Interpretación se los resultados.
 Los valores de la columna value son los valores óptimos para cada variable. En nuestro
ejemplo los valores óptimos son:
X = 1684.211
Y = 1578.947
Z = 0.000
43
 La columna Slacks or Surplus da información sobre los la ganancia y los excedentes de cada
materia prima cuando es aplicada la solución óptima. En nuestro ejemplo los resultados son:
o Ingresos con solución óptima: 0.1023158 x 109 equivalente a $102.315.800.

o No existen sobrantes de avena.
o Sobran 14.736,84 de maíz.
o No existen sobrantes de cebada.
o Sobran 2.105,263 de cereal mijo.
 Las columnas Reduce Cost y Dual Price contienen los multiplicadores de Kuhn y Tucker5 de las
variables del problema, sin embargo, esta temática no entra en el alcance del presente módulo.
Fin ejemplo 4.
5 La importancia del teorema de suficiencia de Kuhn-Tucker en la tarea de decisiones organizaciones.

http://www.angelfire.com/ak6/publicaciones/kuhn_tucker.pdf
44
GLOSARIO
 Función objetivo: Es la función que se desea optimizar, ya sea maximizar o minimizar en un

problema de investigación de operaciones.
 Variables de decisión: Son las variables sobre las que se actúa para lograr la optimización de
la función de objetivo, estas variables están bajo control de la organización para la toma de
decisiones.
 Restricciones: Son las desigualdades matemáticas que limitan los rangos de operación de las
variables de decisión y por ende limitan las posibles soluciones para la optimización de la
función objetivo.
 Programación lineal: Método para la solución de problemas organizacionales cuantificables

en donde la función objetivo y sus restricciones son funciones lineales de las variables de
decisión.
 Modelo determinístico: Son aquellos modelos en donde para cualquier valor de evaluación
de las variables de decisión se conoce de forma certera y repetible el valor de la función
objetivo.
 Modelo estocástico: Son aquellos modelos en donde para un mismo valor de las variables
de decisión no es posible conocer de forma certera y repetible el valor e la función objetivo.
 Modelo no lineales: Son aquellos en donde las variables de decisión se ven afectadas por
operaciones no lineales, como por ejemplo, multiplicación con otras variables de decisión,
raíces cuadradas, exponenciales, logaritmos, etc.
 Modelos lineales: Son aquellos en donde las variables de decisión se ven afectadas
únicamente por constantes y la forma de interacción con otras variables es a través de una
suma de productos.
 Modelos estáticos: Los modelos estáticos no tienen influencia del tiempo en el valor final de
la función objetivo. En este tipo de modelos la evaluación de la función objetivo depende
únicamente de los valores presentes de los variables de decisión.
 Modelos dinámicos: Los modelos dinámicos se caracterizan porque la función objetivo

puede cambiar de valor a medida que pasa el tiempo aun así los variables de decisión se
conserven estáticas. En este tipo de modelos la función objetivo depende de valores presentes
y pasados de las variables de decisión y de la misma función objetivo.
45
 Simulación: Es una técnica de modelamiento en la cual se analiza el sistema en el tiempo. No

es un modelo de optimización pero si permite analizar diferentes escenarios del problema en
estudio.
BIBLIOGRAFÍA
Beer, S. (1995). Decision and Control: The Meaning of Operational Research and Management Cybernetics.
Wiley.
Bustos Farias, E. (2015, noviembre 30). http://www.angelfire.com/ak6/publicaciones/kuhn_tucker.pdf.
Hillier, F. S., & Lieberman, G. J. (2015). Investigación de Operaciones (10 ed.). McGraw Hill.
Investigación de operaciones. (2015, Noviembre 12). Retrieved from
http://www.investigaciondeoperaciones.net/
Profesor en línea. (2015, Noviembre 16). Retrieved from
http://www.profesorenlinea.cl/matematica/Ecuaciones_lineales_tipos.html
Taha, H. A. (2012). Investigación de operaciones (9 ed.). Pearson.
Universidad Virtual Anáhuac. (2015, 11 14). Simulación. Retrieved from
http://uva.anahuac.mx/content/catalogo/diplanes/modulos/mod2/simulacion.htm
Winston, W. L. (2005). Investigación de operaciones. Aplicaciones y algorítmos (4 ed.). Thomson.
46

M1 Investigacin de Operaciones-5-1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

M1 Investigacin de Operaciones-5-1

Cargado por

Copyright:

Formatos disponibles

Introducción A La Investigación De Operaciones Y Construcción De Modelos

Autor: Luis Carlos Meneses Silva

Actualizado Por: Alejandro De Mendoza T.

La investigación de operaciones es la ciencia que estudia los problemas organizacionales para la

Normalmente, la investigación de operaciones es desarrollada por un equipo de trabajo, el cual trabaja

2.5 SIMULACIÓN. .............................................................................................................. 34

CONTRUCCION DE Pasos para la construcción

Figura 1. Ideograma de la asignatura

INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES Y CONSTRUCCIÓN DE

1 INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES

La investigación de operaciones ofrece diferentes métodos matemáticos para el análisis de situaciones

Finalizada la edad media la humanidad ingresó en un periodo de crecimiento cultural y económico el

Actualmente, la competitividad entre diferentes empresas y la alta innovación en el diseño de

La bibliografía alrededor de la investigación de operaciones es muy amplia, sin embargo, existen

 De acuerdo a Wayne L. Winston “la investigación de operaciones (con frecuencia llamada

 Stafford Beer establece la definición de investigación de operaciones como “el ataque de la

 Finalmente, “La Investigación de Operaciones (IO) o Investigación Operativa es una rama de

En algunos textos la investigación de operaciones también es conocida como managment science,

 La investigación de operaciones… utiliza un enfoque similar al que se aplica en las áreas

De acuerdo a las definiciones anteriores se puede concluir que la investigación de

 Sistemas de distribución de recursos para operaciones militares.

Como se puede observar, la investigación de operaciones no se restringe

La investigación de operaciones considera en su metodología la aplicación del método científico,

Figura 2. Metodología para la solución de problemas a través de la investigación de operaciones

La investigación de operaciones permite conocer el comportamiento de diferentes situaciones a través

Figura 3. Abstracción de los modelos en la investigación de operaciones

2.1 CONCEPTOS BÁSICOS

Los modelos descriptivos consideran 3 elementos importantes (Winston, 2005):

 Función (es) objetivo.

2.1.1 Función(es) objetivo

Es la función matemática que se desea maximizar o minimizar de acuerdo a la situación problema o

a) Maximizar las ganancias con el menor uso de materias primas.

2.1.2 Variables de decisión

En muchas situaciones en las cuales se desean aplicar mejoras en un proceso a través de la

2.2 CLASIFICACIÓN DE MODELOS

La investigación de operaciones se apoya en modelos preferiblemente matemáticos los cuales se

Figura 4. Clasificación de los modelos en la investigación de operaciones

2.2.1 Modelos determinísticos o estocásticos

2.2.2 Modelos estáticos y dinámicos

2.2.3 Modelos lineales y no lineales

En la anterior función objetivo las variables de decisión X, Y y Z están multiplicadas por

En la anterior función objetivo las variables de decisión X, Y y Z, son componentes no lineales al

2.2.4 Modelos enteros y no enteros

2.2.5 Modelos y métodos frecuentes de la investigación de operaciones.

La investigación de operaciones, dentro de sus procesos operativos, tiene como objetivo el

2.3 PASOS PARA LA CONSTRUCCIÓN DE MODELOS

a) Definición del problema.

Observación y Formulación del

2.3.1 Definición del problema

2.3.2 Observación y recolección de datos

Una vez se ha planteado el problema el investigador debe iniciar un proceso de observación y

2.3.3 Formulación del modelo matemático.

Una vez se ha realizado el proceso de observación y recolección de datos se elabora un modelo

F = 2X1 + 3X2 + ⋯ + 8Xn

Los parámetros numéricos de las restricciones y de la función objetivo es un factor determinante en

2.3.4 Validación y prueba del modelo matemático

2.3.5 Presentación de los resultados y conclusiones

2.4 INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL

La programación lineal es una estrategia de modelamiento matemático la cual aplica a situaciones

Desglosando el concepto Programación Lineal, es importante aclarar que programación no hace

Nota: Ecuaciones lineales.

La función objetivo se acompaña de las ecuaciones de restricción, en donde el mínimo número de

La representación simbólica de cada parámetro y variable que compone un modelo de programación